关键词:
变压器
故障诊断
支持向量机
多分类策略
参数优化算法
特征值优选
摘要:
油浸式变压器是电力系统能量传输过程中必不可少的重要大型设备,为了保障电力系统能够安全稳定运行,有必要建立并完善油浸式变压器的实时监测和故障诊断系统,而油中溶解气体法是被最为广泛公认的能够有效分析油浸式变压器绝缘故障的方法之一。近几年随着人工智能和机器学习的兴起,支持向量机作为一种优秀的模式识别工具被逐渐应用于解读油中溶解气体数据并进行故障诊断。然而,目前基于支持向量机的变压器故障诊断模型还存在着一些亟待解决的问题:在变压器故障诊断建模中,虽然有多种的油中溶解气体诊断判据,但仍缺乏成熟的理论来指导这些特征值结合支持向量机的使用,不同文献中诊断模型采用的输入特征值之间存在较大差异;此外支持向量机现有的多分类策略和参数优化算法在应用于故障诊断场景时其融合性有待提升,难以兼顾诊断精度和训练效率。因此本文对基于支持向量机的变压器故障诊断模型展开研究,主要的工作内容和研究成果有以下几点:
(1)提出基于逆向合并方法的诊断模型支持向量机多分类策略。首先介绍了支持向量机基本理论和发展历程。接着基于多分类策略研究现状提出了改进方法,通过类间散布矩阵和类内散布矩阵计算可分性指标,并采用逆向合并的方法生成多分类的决策树,从而将原本的多分类问题转化为一系列的二分类问题,同时能够根据不同类样本的特征分布情况设计出最有利于提升泛化性能的多分类结构。采用高斯混合分布生成算例样本,将提出的多分类策略与传统方法进行对比,证明其在多分类问题中生成的分界超平面具有优秀的泛化性能。最后在公开发表的文献中搜集故障样本的气体数据,建立了变压器故障诊断样本库并且实现了故障诊断模型的初步建模,能够对六种基本故障类型的样本进行分类,同时将所提逆向合并法从诊断准确率和训练耗时两方面与传统多分类策略进行对比,证明其在变压器故障诊断场景中具有更好的适用性。
(2)提出基于计算迭代起点和蜻蜓算法的支持向量机参数优化方法。首先通过分析支持向量机和核函数的工作原理和参数特性,提出了基于支持向量特征的迭代起点计算方法,能够充分利用了样本所包含的信息,减少参数组需要试探的次数从而提高寻优效率。在得到迭代起点和优化范围后为进一步优化参数引入了蜻蜓算法,对其基本原理和数学模型进行了介绍,提出了基于蜻蜓算法的参数优化流程。采用UCI数据库中的经典算例将所提参数优化算法与现有的算法进行对比,验证其能够在降低训练耗时的同时提升分类准确率,使支持向量机具备了应用于变压器故障诊断的潜力和价值。最后在变压器故障诊断算例中,将提出的参数优化算法和多分类策略结合形成改进支持向量机模型,为显示其优越性,用传统方法替模型中的多分类策略和参数优化算法以建立多个对照组,对测试结果分别从固定参数优化算法和固定多分类策略的角度进行分析,证明改进的支持向量机在变压器故障诊断场景中表现出了优秀的模式识别能力。
(3)建立基于改进支持向量机和遗传算法的诊断模型优选特征值库。首先考虑到基于特征气体浓度和比值的诊断方法各自特性,提出了由诊断有无故障阶段和诊断具体故障类型阶段组成的两阶段决策框架。接着通过对特征气体浓度和比值进行排列组合,完成了对诊断模型特征值库的扩充。然后为变压器故障诊断特征值优选引入了遗传算法,介绍了算法的基本原理、数学模型以及应用于诊断模型特征优化的流程。最终基于改进支持向量机和遗传算法,分别为诊断决策框架的阶段一和阶段二挑选得到了14和9个特征值,完成了基于改进支持向量机的变压器故障诊断模型的设计。
(4)构建基于改进支持向量机的变压器故障诊断模型并进行多方面对比测试。首先从支持向量机多分类决策树生成过程、支持向量机参数优化情况和诊断模型实际应用流程三个方面进行展示,构建了基于改进支持向量机的变压器故障诊断模型。接着与其他基于支持向量机的变压器故障诊断模型进行了对比,通过替换诊断模型中的输入特征值、支持向量机多分类策略和参数优化算法来构造对照组,从而检验所提出的模型具备优秀的诊断性能。然后与采用其他机器学习方法的变压器故障诊断模型进行了对比,测试结果表明相较于KNN分类器和人工神经网络,本文提出的改进支持向量机更加适用于变压器故障诊断场景,表现出了更好的综合性能。最后对本文提出的变压器故障诊断模型的误诊情况进行了分析,指出了将来的研究中可能的改进方向。
本文所提出的基于改进支持向量机的变压器故障诊断模型能够进行高精度的模式识别,平均诊断精度达到98.15%,对变压器绝缘故障的现场诊断有重要指导价值。